利用基于 GAN 的模型从湍流现有速度场预测不可得参数
流体动力学
2023-04-18 v1
摘要
本研究开发了一种高效的深度学习模型，用于从可得速度分量预测不可得参数，例如流向速度、温度与压力。该模型称为映射生成对抗网络（M-GAN），由标签信息生成器（LIG）与增强超分辨率生成对抗网络（ESRGAN）组成。LIG 可生成标签信息以帮助模型预测不同参数。该基于 GAN 的模型接收来自 LIG 的标签信息与现有速度数据，以生成不可得参数。使用二维（2D）Rayleigh-Bénard 流与湍流槽道流评估 M-GAN 的性能。首先，通过 Rayleigh-Bénard 流的 2D 直接数值模拟（DNS）数据对 M-GAN 进行训练与评估。结果表明，M-GAN 可由二维速度预测温度分布。此外，同时使用摩擦雷诺数 = 180 与 550 的湍流槽道流 DNS 数据训练 M-GAN，并检验其由另两个速度分量预测压力场与流向速度的能力。预测数据的瞬时与统计结果均与 DNS 数据吻合良好，即便对于 = 395 的流动亦如此，表明 M-GAN 可被训练以学习未知场的映射函数并具备良好插值能力。
引用
@article{arxiv.2304.07762,
title = {Predicting unavailable parameters from existing velocity fields of turbulent flows using a GAN-based model},
author = {Linqi Yu and Mustafa Z. Yousif and Young-Woo Lee and Xiaojue Zhu and Meng Zhang and Paraskovia Kolesova and Hee-Chang Lim},
journal= {arXiv preprint arXiv:2304.07762},
year = {2023}
}
备注
16 pages, 14 figures